基于L1-范数和弹性网约束的鲁棒稀疏块PCA
Robust and Sparse BPCA with the Constraints of L1-norm and the Elastic Net作者机构：安徽工程大学计算机与信息学院 安徽 芜湖 241000 南京大学 计算机软件国家重点实验室 江苏 南京 210023
出 版 物：《南京师大学报. 自然科学版》
年 卷 期：2022年第45卷第4期
页 面：102-109页
基 金：国家自然科学基金项目 安徽省自然科学基金 安徽高校自然科学研究项目重点项目 安徽工程大学“中青年拔尖人才培养计划” 南京大学计算机软件新技术国家重点实验室开放基金 安徽省高等教育提升计划项目 安徽省高等学校省级质量工程项目
主 题：块主成份分析 L1-范数 弹性网 稀疏建模 子空间学习
摘 要：块主成份分析(block principal component analysis,BPCA)是一种重要的子空间学习方法,能充分利用图像矩阵的部分关联.基于L1-范数的BPCA是近年来发展起来的鲁棒降维的有效方法.本研究提出了一种新的鲁棒稀疏BPCA方法,称之为BPCAL1-S.该方法相对于传统的基于L2-范数的PCA对噪声更加鲁棒.为了建立稀疏模型,优化过程中引入弹性网,联合使用Lasso与Ridge惩罚因子进行约束.提出了一种贪心算法逐个提取特征向量,对迭代过程的收敛性做了理论证明.将BPCAL1-S应用于图像分类与图像重构,实验结果验证了该方法的有效性.